Meta vydala Muse Glimmer, 30-miliardový multimodálny model pre lokálnych AI agentov

Otvorené váhy pre agentické úlohy

Meta sprístupnila Muse Glimmer, približne 30-miliardový multimodálny model určený najmä pre lokálnych agentov, ktorí kombinujú dlhšie uvažovanie, obrazové vstupy a používanie nástrojov. Model vznikol destiláciou z väčšieho systému Muse Spark a jeho výstupom je text; ako vstup však dokáže prijať text spolu s obrázkami, napríklad snímkami obrazovky, grafmi alebo dokumentmi. Meta vydala plné váhy, kvantizované varianty, samostatný obrazový enkóder aj pomocný model pre špekulatívne dekódovanie. Artefakty sú dostupné pod licenciou Apache 2.0, ktorá povoľuje výskumné aj komerčné využitie. Presnejšie je preto hovoriť o modeli s otvorenými váhami a širokou licenciou, nie automaticky o úplne otvorenom vývojovom procese: modelová karta neposkytuje tréningový kód ani úplný zoznam tréningových dát.

Modelová karta uvádza približne 29,6 miliardy parametrov vrátane obrazového enkódera s veľkosťou takmer 1,8 miliardy parametrov. Textový dekóder má 52 vrstiev a strieda tri vrstvy lokálnej pozornosti s jednou globálnou. Lokálne vrstvy používajú okno 2 048 tokenov, zatiaľ čo globálne vrstvy prepájajú informácie v širšom kontexte, ktorého deklarovaná dĺžka presahuje 131-tisíc tokenov. Zoskupená pozornosť zdieľa dve hlavy kľúčov a hodnôt medzi 32 dopytovými hlavami, čím zmenšuje pamäť potrebnú pre KV cache. Tieto parametre sú dôležité pri agentoch, pretože dlhé relácie obsahujú nielen konverzáciu, ale aj dokumenty, výsledky vyhľadávania a opakované odpovede nástrojov.

Čo znamená „lokálny“ v praxi

Meta tvrdí, že štvorbitové kvantizácie zmenšujú jazykovú časť modelu pod 20 GB. Variant K-Quant-17GB má cieliť na zariadenia s 24 GB pamäte a menej agresívny variant na 32 GB; plná presnosť podľa modelovej karty počíta so 64 GB VRAM. Takéto údaje podporujú tvrdenie, že model možno prevádzkovať na výkonnej spotrebiteľskej grafickej karte alebo počítači s dostatočne veľkou zdieľanou pamäťou. Neznamenajú však, že každý 24-gigabajtový počítač poskytne pohodlnú odozvu. Do pamäte sa musí zmestiť aj obrazový enkóder, KV cache, aplikačný rámec a prípadne pomocný dekodér; nároky navyše rastú s dĺžkou kontextu a počtom súbežných požiadaviek.

Súčasťou vydania je DFlash, ľahší pomocný model, ktorý navrhuje bloky budúcich tokenov a hlavný model ich následne overuje. Samostatná práca o DFlash opisuje blokový difúzny návrh ako spôsob, ako obísť čisto sekvenčné vytváranie návrhov pri klasickom špekulatívnom dekódovaní. Pri Muse Glimmer pomocný model navrhuje bloky s veľkosťou 16 tokenov. Meta na svojich konfiguráciách uvádza zrýchlenie približne 3,1-násobne na RTX 5090, 1,5-násobne na Apple M4 Max a 1,8-násobne na M5 Max. Sú to merania výrobcu pri dávke veľkosti jeden a greedy dekódovaní, preto ich nemožno bez ďalšieho preniesť na každú aplikáciu, prompt ani hardvérovú zostavu.

Praktickú hodnotu zvyšuje podpora v Transformers, llama.cpp, vLLM a SGLang. Vývojár môže model načítať priamo do aplikácie alebo ho obsluhovať cez lokálny server s rozhraním kompatibilným s OpenAI API. To uľahčuje výmenu cloudového modelu za lokálny bez úplného prepisovania aplikačnej vrstvy. Samotná kompatibilita rozhrania však nezaručuje zhodné správanie: treba znovu otestovať štruktúru volaní nástrojov, spracovanie obrázkov, dĺžku odpovedí, časové limity aj obnovu po chybe. Video nie je samostatnou natívnou modalitou; dostupné nástroje ho spracúvajú ako sériu vybraných obrazových snímok bez zvuku.

Benchmarky ukazujú schopnosti aj slabé miesta

V tabuľkách zverejnených s modelom dosiahol Muse Glimmer skóre 76,0 na SWE-bench Verified, 51,2 na SWE-bench Pro, 75,5 na MCP Atlas a 74,6 na DeepSearch QA. V multimodálnych testoch Meta uvádza 78,8 na CharXiv Reasoning a 74 na MMMU Pro. Výsledky sú zmiešané: model v niektorých disciplínach prekonal porovnávané Gemma4-31B a Qwen3.6-27B, no napríklad na OSWorld-Verified, TerminalBench 2.1 či MMMU Pro bol lepší Qwen. Porovnania preto nepodporujú jednoduchý záver, že Muse Glimmer je najlepší model svojej veľkosti. Navyše ide prevažne o čísla publikované výrobcom, nie o jednotnú nezávislú reprodukciu na slovenskom jazyku a lokálnom hardvéri.

Dôležitým doplnením pôvodného súhrnu je bezpečnostná stránka agentického použitia. V teste Siren AgentDojo uvádza modelová karta pre Muse Glimmer 28,4-percentnú mieru úspechu útoku pri užitočnosti 94,2. Nižšia hodnota útoku je lepšia a porovnávaná Gemma4-31B dosiahla 25,6 percenta, takže lokálny model nemožno považovať za prirodzene odolný proti nepriamemu prompt injection. Ak agent číta nedôveryhodné weby alebo dokumenty a zároveň môže zapisovať súbory, odosielať správy či volať podnikové API, potrebuje izolované prostredie, minimálne oprávnenia, validáciu argumentov nástrojov a potvrdenie nezvratných krokov. Lokálny beh obmedzuje odosielanie dát tretej strane, ale neodstraňuje chybné rozhodnutia ani škodlivé pokyny ukryté vo vstupoch.

Modelová karta tiež upozorňuje na možné nepresné, zaujaté alebo nevhodné odpovede a na chyby vo viacstupňových úlohách. Hoci tréning zahŕňal viac než sto jazykov, výrobca nezverejnil rovnako podrobné hodnotenie pre každý jazyk. Slovenské organizácie by preto mali merať kvalitu na vlastných dokumentoch, terminológii a diakritike, nie iba na anglických benchmarkoch. Užitočný pilot by mal oddeliť kvalitu odpovede od úspešnosti celého procesu: či model správne vybral nástroj, vytvoril platné argumenty, zachoval citácie, rozpoznal chybu a bezpečne sa zastavil, keď nemal dostatok údajov.

Slovenský a európsky význam

Pre menšie slovenské firmy, univerzity alebo verejné organizácie je najzaujímavejšia možnosť prevádzkovať asistenta nad internými materiálmi bez trvalého odosielania obsahu do vzdialeného API. Lokálne nasadenie môže zjednodušiť technickú kontrolu nad miestom spracovania, retenčnými pravidlami a dostupnosťou služby. Nie je však automatickým dôkazom súladu s GDPR, kybernetickými požiadavkami ani sektorovými pravidlami. Organizácia stále rozhoduje o účele spracovania, prístupoch používateľov, protokoloch činnosti a dobe uchovania. Pri použití vo financiách, zamestnávaní, vzdelávaní alebo verejných službách môže byť právne podstatný konkrétny účel výsledného systému, nielen licencia alebo miesto, kde bežia váhy.

Európska komisia pripomína, že pravidlá AI Actu pre modely na všeobecné použitie zahŕňajú transparentnosť a autorské právo, pričom pri modeloch so systémovým rizikom pribúdajú rozsiahlejšie povinnosti. Pre nasadzujúcu organizáciu je zároveň rozhodujúca riziková kategória aplikácie a zabezpečenie ľudského dohľadu, dokumentácie, presnosti a kybernetickej odolnosti tam, kde to právny režim vyžaduje. Muse Glimmer tak rozširuje reálne možnosti lokálnych multimodálnych agentov, no otvorené zostávajú nezávislé merania spotreby, kvalita slovenčiny, správanie pri veľmi dlhých úlohách a odolnosť proti útokom. Rozumným záverom nie je okamžité autonómne nasadenie, ale kontrolovaný pilot s vlastnými testami, obmedzenými právami a merateľnými kritériami úspechu.